01
生成式模型概述
从传统计算到生成式AI的范式转变，生成式模型在材料科学中的定位与价值。
范式转变AI定位
02
材料数据基础
Materials Project、OQMD等数据库，数据清洗、特征工程与增强策略。
数据库特征工程
03
变分自编码器(VAE)原理
VAE数学基础：ELBO、重参数化技巧，在分子生成中的应用。
ELBO分子生成
04
生成对抗网络(GAN)原理
博弈论基础、训练稳定性、条件GAN(cGAN)在材料设计中的应用。
博弈论cGAN
05
自回归模型(AR)原理
PixelCNN、WaveNet架构，在聚合物、蛋白质序列生成中的应用。
PixelCNN序列生成
06
流模型(Flow-based)原理
标准化流、可逆变换，连续分子表示与生成。
Normalizing Flows可逆
07
扩散模型(Diffusion)原理
前向扩散与反向去噪，DDPM、Score-based模型，晶体结构生成。
DDPM晶体生成
08
Transformer与注意力机制
自注意力、多头注意力、位置编码，在属性预测与分子生成中的变体。
多头注意力位置编码
09
图神经网络(GNN)基础
图卷积、消息传递、图池化，在分子性质预测中的核心作用。
消息传递图池化
10
分子表示学习
SMILES、SELFIES、分子图、3D构象，不同表示对生成模型的影响。
SMILES3D构象
11
分子生成模型(一) VAE
JT-VAE、GraphVAE，离散分子图的连续表示学习。
JT-VAEGraphVAE
12
分子生成模型(二) GAN
MolGAN、ORGAN，对抗训练在化学空间探索中的挑战。
MolGANORGAN
13
分子生成模型(三) 扩散
GeoDiff、EDM，3D分子构象的生成与优化。
GeoDiff3D构象
14
晶体结构生成
周期性结构表示(晶格、原子位置)，CGNN、DiffCSP，对称性约束。
CGNNDiffCSP
15
聚合物与材料配方生成
PolymerGAN，多组分材料配方优化(贝叶斯优化+生成模型)。
PolymerGAN贝叶斯优化
16
逆向设计框架
从目标属性到候选材料的端到端流程，多目标优化与帕累托前沿。
端到端帕累托前沿
17
属性预测与生成联合训练
代理模型(Surrogate Model)加速筛选，联合优化生成器与预测器。
代理模型联合优化
18
强化学习在材料生成中应用
分子生成作为序列决策问题，策略梯度与Q-learning在化学空间搜索。
策略梯度Q-learning
19
主动学习与生成模型
不确定性量化、查询策略，主动学习循环加速新材料发现。
不确定性查询策略
20
多模态材料模型
文本-材料、图像-材料、光谱-结构对齐，CLIP-like模型应用。
多模态CLIP
21
预训练模型与迁移学习
MEGNet、CGCNN预训练，少样本学习与零样本生成。
MEGNet零样本
22
可解释性与物理一致性
物理约束(能量、对称性)，可解释性方法(注意力图、特征归因)。
物理约束注意力图
23
计算效率与模型部署
模型压缩(量化、剪枝)、ONNX部署、云端与边缘端推理。
模型压缩ONNX
24
实验验证闭环
生成-预测-合成-测试(GPST)循环，自动化实验室与AI集成。
GPST自动化实验室
25
案例研究(一) 光伏材料
新型光伏材料设计——从生成到实验验证的全流程。
光伏材料全流程
26
案例研究(二) 高熵合金
高熵合金成分优化——生成模型与多目标优化结合。
高熵合金多目标优化
27
案例研究(三) 靶向药物
靶向药物分子生成——基于结构的药物设计(SBDD)与生成模型。
SBDD药物设计
28
伦理与数据安全
材料数据的知识产权、生成模型偏见与公平性、双用途困境。
知识产权双用途
29
前沿趋势
基础模型(Foundation Models)在材料科学中的潜力，AI for Science未来。
基础模型AI for Science
30
课程总结与项目实战
综合项目——设计面向特定材料体系的生成式AI工作流。
综合项目工作流